在当今社会,基于人脸的身份验证技术正在逐渐融入人们的日常生活,并发挥着日益重要的作用,人脸检测与人脸识别则是其中的核心技术。伴随着人脸身份验证技术的广泛应用,人脸检测以及人脸识别技术面临着更加复杂严苛的实际场景需求。在本篇论文中,针对上述两种核心技术,我们分别提出了具有创新性的算法。一方面,针对视频中的人脸检测问题,我们提出了跟踪预测反馈式的深度检测方法。对于当前帧的检测问题,我们首先基于之前视频序列已经有的跟踪轨迹,预测并生成出在当前帧中人脸在空间中的概率分布图,之后利用概率分布图作为注意力机制融入到深度检测网络中,可以有效的减少背景对于检测的干扰并补充部分由于移动遮挡而缺失的信息。同时针对视频中的目标相互遮挡的问题,提出划分概率分布图至两张子图的方法,结合多分支的深度检测网络,细粒度的引导深度网络注意不同区域从而提升检测结果。另一方面,针对人脸识别核心技术,从不同的角度,提出了两种新的损失函数。从人脸比对的角度,依照拉大正负样本对的距离的思想构建了新的损失函数。同时通过分析梯度反传公式,进一步扩展了损失函数的意义,促使人脸比对的距离值向固定值靠近,提升阈值设置的空间。从高维特征分布的角度,通过在损失函数中模拟类间互斥的作用,使类间距离增大,有效的提升了人脸识别的准确率。此外针对模糊的人脸,遮挡的人脸,引入了数据增广以及孪生神经网络,并进一步提出延申性的孪生神经网络,有效的解决了此类问题。最后基于我们提出的算法,我们在多个主流数据库上进行了相关实验。实验结果证明了算法的有效性。同时我们搭建了一个完整的人脸识别系统平台,包含了人脸识别整套流程中的所有模块,采用了前后端分离的设计并部分使用了容器化技术。